中/高级机器学习算法工程师（端侧基础模型方向）

优缺点分析

角色解读

• 技术专家路线：深耕端侧AI算法与架构，成为在该细分领域有影响力的技术专家或首席工程师
• 技术管理路线：凭借出色的协作与项目管理能力，带领小型算法团队负责更复杂的端侧AI系统交付
• 架构师路线：向更底层的AI系统架构师发展，统筹芯片、编译器、框架和算法的全栈协同设计
• 设计并优化适合在芯片（NPU/GPU）上运行的轻量化或高效大模型架构，让大模型能在无人机、手持设备等终端硬件上高效运行
• 深度参与模型从研究到产品落地的全流程，包括训练、压缩、量化、部署，确保最终效果达到业务要求
• 作为技术纽带，与芯片、编译器、量化团队以及下游应用算法团队协同工作，解决模型在真实硬件上的性能与效果平衡问题
• 深厚的深度学习理论功底，尤其是对Transformer、Mamba等主流及前沿模型架构有透彻理解
• 扎实的工程能力，精通C++/Python和PyTorch，具备端侧模型部署（如TensorRT、ONNX Runtime）或NPU开发经验
• 软硬件协同设计思维，了解模型计算模式与硬件特性（如内存层次、计算单元）的映射关系
• 出色的跨团队沟通与项目推动能力，能协调多方资源完成复杂技术目标

申请策略

• 深入了解大疆的产品线（如无人机、运动相机）及其对端侧AI的具体需求（如视觉感知、防抖、图像增强），思考你的技术如何赋能这些产品
• 面试中准备一个关于“如何在受限硬件上优化某个模型”的深度案例，能清晰阐述问题、思路、尝试与结果
• 突出任何与模型压缩、量化、部署相关的具体项目经历，说明你在其中扮演的角色和取得的量化收益（如速度提升X%、体积减少Y%）
• 列举使用过的端侧推理框架（如NCNN、MNN、TNN）或NPU开发平台，体现你的工程落地能力
• 如有与芯片、编译器团队合作或在嵌入式设备上部署模型的经历，务必详细描述
• 论文发表情况是强加分项，按会议/期刊级别清晰列出
• 系统学习NPU架构（如华为昇腾、寒武纪等）的基础知识，了解其编程模型和优化技巧
• 深入研究一种端到端的模型压缩与部署工作流，能独立完成从原始模型到端侧高性能引擎的转换与验证

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化描述项目经历，重点突出技术难点和你的解决思路
• 回答架构设计问题时，采用“分析硬件约束 -> 提出架构假设 -> 设计实验验证 -> 总结设计准则”的逻辑
• 回答权衡类问题时，从业务目标出发（如产品是实时性优先还是精度优先），说明决策依据和后续的优化路径
• 请介绍一个你主导或深度参与的模型部署/优化项目，遇到的最大技术挑战是什么？如何解决的？
• 如何设计一个架构，使其既满足Transformer的强大表征能力，又能在NPU上获得高效的计算？
• 当模型效果（如准确率）与在目标硬件上的推理速度（如FPS）发生冲突时，你的权衡思路和优化优先级是什么？
• 你如何确保量化或压缩后的模型效果损失在可接受范围内？有哪些评估方法？
• 复习CNN、Transformer、Mamba等架构的计算模式（如FLOPs、内存访问）及其对硬件的友好性分析